随着人工智能与信息技术的发展,人类获取信息的途径在向仿生化领域发展。对于机器嗅觉系统,其感知和获取待识别气体数据信息的关键是气体传感器阵列,因此其检测结果的可靠性对整个机器嗅觉系统综合性能评定起着极为重要的作用。文章主要针对气体传感器阵列的故障诊断方法进行研究。通过对广泛应用于机器嗅觉系统的金属氧化物半导体(Metal Oxide Semiconductor,MOS)气体传感器阵列的故障原因和故障信号表现形式进行分析,重点研究基于数据驱动的气体传感器阵列故障检测、故障隔离和故障模式识别方法。通过对搭建的基于MOS气体传感器阵列的机器嗅觉系统进行数据采集,获取实验数据用于仿真分析,对提出的故障诊断方法的有效性进行验证。论文主要研究工作为:(1)针对传统数据驱动的故障检测方法对微小故障和混合故障检测准确率低的问题,提出一种基于串行主成分分析法(Serial Principal Component analysis,SPCA)的气体传感器阵列故障检测方法。新的SPCA故障检测模型通过二次建模,使微小故障和混合故障被凸显出来,更容易被检测到。由仿真实验结果可知,相对于基于主成分分析法(Principal Component Analysis,PCA)和核主成分分析法(Kernel Principal Component Analysis,KPCA)的故障检测方法,提出的方法对微小故障和混合故障情况具有较高的故障检测准确率和较低误检率。(2)为实现气体传感器阵列的多故障隔离,基于上一阶段的故障检测算法,文章提出基于SPCA的重构贡献气体传感器阵列多故障隔离方法。利用SPCA算法SPE统计量的重构值作为变量贡献,结合故障方向集理论和迭代思想,自适应的确定故障传感器个数,实现多故障隔离。该方法改善了传统基于贡献图的故障隔离算法的拖尾效应导致多故障情况下隔离准确率较低的问题。由仿真实验结果可知,当同时有3个气敏传感器发生故障时,提出方法仍具有95%以上的故障隔离准确率。(3)故障模式识别是气体传感器阵列故障诊断过程的重要环节之一。针对现有的故障模式识别方法中提取的故障特征对不同类型故障的区分能力较差,导致故障识别准确率低的问题,提出一种基于复合多尺度加权排列熵和Fisher判别的故障特征提取方法并结合Bagging(Bootstrap aggregating,引导聚集算法)集成学习法实现气敏传感器的故障模式识别。该方法利用复合多尺度分析对故障信号进行扩维,求得不同尺度下序列片段的加权排列熵作为故障信号特征样本集。相对于近似熵、样本熵、排列熵,加权排列熵除了对时间序列的复杂度进行分析外还融合了序列的幅值信息,因此能够更好的对信号特征进行描述。然后利用Fisher判别对故障信号特征样本集进行降维处理,简化后续分类器训练过程,提高故障模式识别精度。最后利用Bagging集成学习法对故障特征样本进行分类训练,该方法通过集成多个决策树分类结果得到了更优的分类结果。由仿真实验结果可知,与现有的故障识别方法相比,提出的新的特征提取方法使不同类型故障特征具有更好的可分性,提高了故障识别准确率。同时Bagging集成学习法相对于传统的单个分类器,具有更好的分类精度。提出的模式识别方法对气敏传感器的故障识别准确率高达97%以上。